CN114494142A - 一种基于深度学习的移动终端中框缺陷检测方法及装置 - Google Patents
一种基于深度学习的移动终端中框缺陷检测方法及装置 Download PDFInfo
- Publication number
- CN114494142A CN114494142A CN202111629099.8A CN202111629099A CN114494142A CN 114494142 A CN114494142 A CN 114494142A CN 202111629099 A CN202111629099 A CN 202111629099A CN 114494142 A CN114494142 A CN 114494142A
- Authority
- CN
- China
- Prior art keywords
- defect
- middle frame
- mobile terminal
- detected
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 195
- 238000001514 detection method Methods 0.000 title claims abstract description 75
- 238000013135 deep learning Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000009826 distribution Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 5
- 238000011179 visual inspection Methods 0.000 abstract description 7
- 230000004438 eyesight Effects 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 208000034656 Contusions Diseases 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及缺陷检测技术领域,具体涉及一种基于深度学习的移动终端中框缺陷检测方法及装置。其包括:获取待检测移动终端中框的目标中框图像;将目标中框图像输入到预先设置的深度学习缺陷检测模型中进行处理,得到待检测移动终端中框的缺陷信息,例如缺陷位置、缺陷种类和置信度。依据本申请的方法,无需人工通过目测的方法来辨别移动终端中框缺陷,提高了检测效果,同时避免了对人工视力造成损伤。
Description
技术领域
本发明涉及机器视觉技术领域,具体涉及一种基于深度学习的移动终端中框缺陷检测方法及装置。
背景技术
目前针对移动终端的外观检测主要包括3个部分:移动终端前盖、移动终端中框和移动终端后盖,以手机为例,其中手机前盖和手机后盖由于获取待测样本图像的方法简单,且用户关注度高,因此相关的自动化检测设备发展较快。对于手机中框的检测,大部分生产线仍使用人工目测的方法来辨别缺陷,人工辨别效率较为低下,长此以往还会对工人的视力造成影响。
发明内容
本发明主要解决的技术问题是现有技术中采用人工目测的方法来辨别移动终端中框缺陷效率低,且对工人的视力造成影响。
一种基于深度学习的移动终端中框缺陷检测方法,包括:
获取待检测移动终端中框的目标中框图像;
将所述目标中框图像输入到预先设置的深度学习缺陷检测模型中进行处理,得到待检测移动终端中框的缺陷信息。
在一种实施例中,所述获取待检测移动终端中框的目标中框图像包括:
将待检测移动终端中框固定在待测工位上,并控制移动终端中框按照预设的轨迹运动;
采用上、中、下三个线扫相机分别扫描待检测移动终端中框的上、中、下三个部分,分别采集到中框的上、中、下三个部分对应的子中框图像;
将所述上、中、下三个部分对应的子中框图像进行拼接,得到所述目标中框图像。
在一种实施例中,在将所述目标中框图像输入到预先设置的深度学习缺陷检测模型中进行处理之前还包括:
对拼接后的目标中框图像信息分割,并对分割后的图像进行尺寸调整,使得预处理后的目标中框图像的尺寸满足所述深度学习缺陷检测模型的输入要求。
在一种实施例中,所述缺陷信息包括:缺陷位置、缺陷种类、置信度和缺陷面积中的一种或多种;
在得到所述缺陷位置后还包括:
根据所述缺陷位置裁剪出缺陷区域;
根据所述缺陷区域的像素分布计算出缺陷区域对应的缺陷面积。
在一种实施例中,所述根据所述缺陷区域的像素分布计算出缺陷区域对应的缺陷面积包括:
将所述缺陷区域输入到预先训练好的缺陷分割模型中,得到所述缺陷区域的像素分布;
根据所述缺陷区域的像素分布计算缺陷面积。
一种基于深度学习的移动终端中框缺陷检测装置,包括:
图像采集模块,用于获取待检测移动终端中框的目标中框图像;
缺陷检测模块,用于将所述目标中框图像输入到预先设置的深度学习缺陷检测模型中进行处理,得到待检测移动终端中框的缺陷信息。
在一种实施例中,所述图像采集模块包括三个线扫相机;
所述获取待检测移动终端中框的目标中框图像包括:
将待检测移动终端中框固定在待测工位上,并控制移动终端中框按照预设的轨迹运动;
采用上、中、下三个线扫相机分别扫描待检测移动终端中框的上、中、下三个部分,分别采集到中框的上、中、下三个部分对应的子中框图像;
将所述上、中、下三个部分对应的子中框图像进行拼接,得到所述目标中框图像。
在一种实施例中,还包括预处理模块,所述预处理模块用于在将所述目标中框图像输入到预先设置的深度学习缺陷检测模型之前,对拼接后的目标中框图像信息分割,并对分割后的图像进行尺寸调整,使得预处理后的目标中框图像的尺寸满足所述深度学习缺陷检测模型的输入要求。
在一种实施例中,所述缺陷信息包括:缺陷位置、缺陷种类、置信度和缺陷面积中的一种或多种;
所述检测装置还包括缺陷面积计算模块,用于在得到所述缺陷位置后,根据所述缺陷位置裁剪出缺陷区域,根据所述缺陷区域的像素分布计算出缺陷区域对应的缺陷面积;
所述检测装置还包括标注模块,用于在所述目标中框图像上标注出所述缺陷位置、缺陷种类、置信度和缺陷面积中的一种或多种。
一种计算机可读存储介质,所述介质上存储有程序,所述程序能够被处理器执行以实现如上所述的方法。
依据上述实施例的基于深度学习的移动终端中框缺陷检测方法,其包括:获取待检测移动终端中框的目标中框图像;将目标中框图像输入到预先设置的深度学习缺陷检测模型中进行处理,得到待检测移动终端中框的缺陷信息,例如缺陷位置、缺陷种类和置信度。依据本申请的方法,无需人工通过目测的方法来辨别移动终端中框缺陷,提高了检测效果,同时避免了对人工视力造成损伤。
附图说明
图1为本申请实施例的缺陷检测方法流程图;
图2为本申请实施例的图像采集方法流程图;
图3为本申请实施例的图像采集示意图;
图4为本申请实施例的检测出的缺陷区域;
图5为本申请实施例的缺陷检测装置结构框图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中,很多细节描述是为了使得本申请能被更好的理解。然而,本领域技术人员可以毫不费力的认识到,其中部分特征在不同情况下是可以省略的,或者可以由其他元件、材料、方法所替代。在某些情况下,本申请相关的一些操作并没有在说明书中显示或者描述,这是为了避免本申请的核心部分被过多的描述所淹没,而对于本领域技术人员而言,详细描述这些相关操作并不是必要的,他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。
另外,说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时,方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此,说明书和附图中的各种顺序只是为了清楚描述某一个实施例,并不意味着是必须的顺序,除非另有说明其中某个顺序是必须遵循的。
在本发明实施例中,采用深度学习的思想来对移动终端的中框进行缺陷检测,首先获取中框的高质量图像,然后将该图像输入到预先设置的深度学习缺陷检测模型中进行处理,得到待检测移动终端的缺陷位置、缺陷种类和置信度,以实现缺陷的自动化检测,解放了人力,同时提高了检测效率,也避免了人为检测时的漏检情况。
实施例一:
请参考图1,本实施例提供一种基于深度学习的移动终端中框缺陷检测方法,其包括:
步骤101:获取待检测移动终端中框的目标中框图像。
步骤102:将目标中框图像输入到预先设置的深度学习缺陷检测模型中进行处理,得到待检测移动终端中框的缺陷信息。深度学习缺陷检测模型通过预先训练获取,本实施例检测到的缺陷信息包括:缺陷位置、缺陷种类和置信度。缺陷种类一般分为6类,分别是:异色点、划痕、碰伤、擦伤、异色和颗粒;置信度由神经网络的最后一层Softmax输出,将神经网络计算的数值输入Softmax层后,得到对各类别的预测的后验概率即为置信度。例如检测出在某像素坐标A处具有划痕,且置信度为80%。
其中,本实施例的缺陷检测模型用于获取输入图像对应的缺陷信息,该缺陷检测模型包括特征提取模块、特征识别模块和特征分类模块,例如特征提取模块用于获取输入的目标中框图像的所有特征信息,特征识别模块用于对提取的特征进行识别,找到缺陷相关的特征信息;特征分类模块用于对缺陷相关的特征信息进行分类,得到不同的缺陷种类以及对应的置信度。
依据本实施例的检测方法,无需人工通过目测的方法来辨别移动终端中框缺陷,提高了检测效果,同时避免了对人工视力造成损伤。
其中,本实施例的深度学习缺陷检测模型的训练方法包括:首先获取大量的中框图像,然后人工识别以对中框图像上的缺陷位置、缺陷种类和置信度进行标注,然后将标注后的图像作为训练集,输入到深度学习缺陷检测模型中对其进行反复训练,直到模型的检测精度达到预设要求,然后再用部分已标注的中框图像对模型进行验证,直到验证其检测精度达到预设的精度要求,则确认模型训练完成。
其中,如图2和图3,本实施例的步骤101具体包括:
步骤1011:将待检测移动终端中框固定在待测工位上,并控制移动终端中框按照预设的轨迹运动。
步骤1012:采用上、中、下三个线扫相机分别扫描待检测移动终端中框的上、中、下三个部分,分别采集到中框的上、中、下三个部分对应的子中框图像。如图3,本实施例的三个线扫相机呈上中下的方式固定,其采集焦点分别对准中框的上、中、下三个位置,然后控制待测工位带动中框按照预设的轨迹运行一周,使得三个线扫相机分别采集上部、中部和下部的完整图像。
由于现有的中框基本都是外凸状的弧形的,中间为弧形凸起,如果采用一个线扫相机,则单个线扫相机的焦点就需要对准中框的中间位置,这样采集的图像对应的中框的上下两个弧面处会存在不清晰的问题,影响缺陷检测的精度。而本申请采用三个线扫相机则可以分别采集上部、中部和下部的高清晰图像,使得缺陷检测的结果更加精确。另外,本申请在尝试阶段,还尝试了采用面阵相机获取手机中框的图像,但是经过检测,面阵相机获取的图像质量较低,无法清晰准确的显示中框拐角的缺陷,因此检测精度上也无法满足当前的工业需求。
另外,在得到本实施例的检测方法之前,申请人尝试基于面阵相机获取的手机中框的图像,采用边缘检测、模板匹配等传统的图像处理与识别技术实现缺陷检测,然后通过神经网络或SVM分类器进行缺陷分类。将该方法和本申请提出基于深度学习的方法对比,本申请的方法检测效率更高且精度也更高。
步骤1013:将上、中、下三个部分对应的子中框图像进行拼接,得到目标中框图像。具体的,本实施例采用ORB(Oriented Fast and Rotated Brief,特征点检测)特征点提取和RANSAC(RANdom SAmple Consensus,随机抽样一致)算法匹配,将三张图片的清晰部分进行拼接合成为整张清晰中框图像。
在另一种实施例中,由于整张目标中框图像较大,深度学习缺陷检测模型无法直接读取,为了节约模型的计算力,减少模型的计算量,本实施例在将目标中框图像输入到预先设置的深度学习缺陷检测模型之前对目标中框图像进行预处理,具体的为:对拼接后的目标中框图像信息分割,并对分割后的图像进行尺寸调整,使得预处理后的目标图像尺寸满足深度学习缺陷检测模型的输入要求。例如本实施例中将整张目标中框图像分割为106张宽高相同的图像,再对106张图像进行resize(改变大小)的处理,使得处理后的图像的大小刚好适合深度学习缺陷检测模型的输入,以节约模型的计算力,提高缺陷检测效率。
在一种实施例中,在得到所述缺陷位置后还包括:根据缺陷位置裁剪出缺陷区域;根据缺陷区域的像素个数计算出缺陷区域对应的缺陷面积,使得用户可以更加直观的了解缺陷的大小。
例如本实施例中:将缺陷区域输入到预先训练好的缺陷分割模型中,得到缺陷区域的像素分布根据缺陷区域的像素分布计算缺陷面积。
在一种实施例中,将上述得到的缺陷位置、缺陷种类、置信度和面积标注到目标中框图像上,以方便用户直观的查看,例如图4,以方框的形式标记出已检测到的缺陷区域。
其中,本实施例的缺陷分割模型也为预先训练好的,首先对采集好的缺陷图片进行精细标注,例如对于六类缺陷(异色点、划痕、碰伤、擦伤、异色和颗粒),每一类分别标注1000张图片,然后对这6000张图片进行随机裁剪、旋转、光照变化等数据增强操作,扩充数据集,最后将数据集输入到自研分割网络进行训练,即可得到缺陷分割模型。
本实施例采用三个线扫相机进行图像采集,采集到的图像质量高,避免了单线扫相机无法获取上下弧面图像的问题;并结合深度学习算法来对手机中框进行缺陷检测以及进行缺陷面积计算,该方法使得缺陷检测速度快、精度高、实时性好、面积计算精确,解决了人工目检和传统算法速度慢、精度低的问题,该方法可附加在自动化生产线上,实现实时在线检测。
实施例二:
请参考图5,本实施例提供一种基于深度学习的移动终端中框缺陷检测装置,其包括:图像采集模块301和缺陷检测模块303。
其中,图像采集模块301用于获取待检测移动终端中框的目标中框图像;缺陷检测模块303用于将目标中框图像输入到预先设置的深度学习缺陷检测模型中进行处理,得到待检测移动终端中框的缺陷信息。
具体的,如图3,本实施例的图像采集模块301包括三个线扫相机。本实施例中获取待检测移动终端中框的目标中框图像的方法与上述实施例一相同,此处不再赘述。
在一种实施例中,移动终端中框缺陷检测装置还包括预处理模块302,预处理模块302用于在将目标中框图像输入到预先训练好的深度学习缺陷检测模型之前,对拼接后的目标中框图像信息分割,并对分割后的图像进行尺寸变化,使得预处理后的目标中框图像的尺寸满足深度学习缺陷检测模型的输入要求。
其中,本实施例的中框缺陷信息包括:缺陷位置、缺陷种类、置信度和缺陷面积中的一种或多种。
在一种实施例中,检测装置还包括缺陷面积计算模块304,缺陷面积计算模块304用于在得到所述缺陷位置后,根据缺陷位置裁剪出缺陷区域,根据缺陷区域的像素个数计算出缺陷区域对应的缺陷面积。具体的计算方法与上述实施例一相同,此处不再赘述。
在一种实施例中,检测装置还包括标注模块305;标注模块305用于将得到的缺陷位置、缺陷种类、置信度和面积标注到目标中框图像上,以方便用户直观的查看。
采用本实施例的检测装置,解决了人工目检和传统算法存在的速度慢、精度低的问题,该方法可附加在自动化生产线上,实现实时在线检测,以实现自动化检测,提高检测效率和精度。
实施例三:
本实施例提供一种计算机可读存储介质,介质上存储有程序,程序能够被处理器执行以实现如上实施例一提供的缺陷检测方法。
本领域技术人员可以理解,上述实施方式中各种方法的全部或部分功能可以通过硬件的方式实现,也可以通过计算机程序的方式实现。当上述实施方式中全部或部分功能通过计算机程序的方式实现时,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器、随机存储器、磁盘、光盘、硬盘等,通过计算机执行该程序以实现上述功能。例如,将程序存储在设备的存储器中,当通过处理器执行存储器中程序,即可实现上述全部或部分功能。另外,当上述实施方式中全部或部分功能通过计算机程序的方式实现时,该程序也可以存储在服务器、另一计算机、磁盘、光盘、闪存盘或移动硬盘等存储介质中,通过下载或复制保存到本地设备的存储器中,或对本地设备的系统进行版本更新,当通过处理器执行存储器中的程序时,即可实现上述实施方式中全部或部分功能。
以上应用了具体个例对本发明进行阐述,只是用于帮助理解本发明,并不用以限制本发明。对于本发明所属技术领域的技术人员,依据本发明的思想,还可以做出若干简单推演、变形或替换。
Claims (10)
1.一种基于深度学习的移动终端中框缺陷检测方法,其特征在于,包括:
获取待检测移动终端中框的目标中框图像;
将所述目标中框图像输入到预先设置的深度学习缺陷检测模型中进行处理,得到待检测移动终端中框的缺陷信息。
2.如权利要求1所述的移动终端中框缺陷检测方法,其特征在于,所述获取待检测移动终端中框的目标中框图像包括:
将待检测移动终端中框固定在待测工位上,并控制移动终端中框按照预设的轨迹运动;
采用上、中、下三个线扫相机分别扫描待检测移动终端中框的上、中、下三个部分,分别采集到中框的上、中、下三个部分对应的子中框图像;
将所述上、中、下三个部分对应的子中框图像进行拼接,得到所述目标中框图像。
3.如权利要求1所述的移动终端中框缺陷检测方法,其特征在于,在将所述目标中框图像输入到预先设置的深度学习缺陷检测模型中进行处理之前还包括:
对目标中框图像信息分割,并对分割后的图像进行尺寸调整,使得预处理后的目标中框图像的尺寸满足所述深度学习缺陷检测模型的输入要求。
4.如权利要求1所述的移动终端中框缺陷检测方法,其特征在于,所述缺陷信息包括:缺陷位置、缺陷种类、置信度和缺陷面积中的一种或多种;
在得到所述缺陷位置后还包括:
根据所述缺陷位置裁剪出缺陷区域;
根据所述缺陷区域的像素分布计算出缺陷区域对应的缺陷面积。
5.如权利要求4所述的移动终端中框缺陷检测方法,其特征在于,所述根据所述缺陷区域的像素分布计算出缺陷区域对应的缺陷面积包括:
将所述缺陷区域输入到预先训练好的缺陷分割模型中,得到所述缺陷区域的像素分布;
根据所述缺陷区域的像素分布计算缺陷面积。
6.一种基于深度学习的移动终端中框缺陷检测装置,其特征在于,包括:
图像采集模块,用于获取待检测移动终端中框的目标中框图像;
缺陷检测模块,用于将所述目标中框图像输入到预先设置的深度学习缺陷检测模型中进行处理,得到待检测移动终端中框的缺陷信息。
7.如权利要求6所述的移动终端中框缺陷检测装置,其特征在于,所述图像采集模块包括三个线扫相机;
所述获取待检测移动终端中框的目标中框图像包括:
将待检测移动终端中框固定在待测工位上,并控制移动终端中框按照预设的轨迹运动;
采用上、中、下三个线扫相机分别扫描待检测移动终端中框的上、中、下三个部分,分别采集到中框的上、中、下三个部分对应的子中框图像;
将所述上、中、下三个部分对应的子中框图像进行拼接,得到所述目标中框图像。
8.如权利要求6所述的移动终端中框缺陷检测装置,其特征在于,还包括预处理模块,所述预处理模块用于在将所述目标中框图像输入到预先设置的深度学习缺陷检测模型之前,对拼接后的目标中框图像信息分割,并对分割后的图像进行尺寸调整,使得预处理后的目标中框图像的尺寸满足所述深度学习缺陷检测模型的输入要求。
9.如权利要求6所述的移动终端中框缺陷检测装置,其特征在于,所述缺陷信息包括:缺陷位置、缺陷种类、置信度和缺陷面积中的一种或多种;
所述检测装置还包括缺陷面积计算模块,用于在得到所述缺陷位置后,根据所述缺陷位置裁剪出缺陷区域,根据所述缺陷区域的像素分布计算出缺陷区域对应的缺陷面积;
所述检测装置还包括标注模块,用于在所述目标中框图像上标注出所述缺陷位置、缺陷种类、置信度和缺陷面积中的一种或多种。
10.一种计算机可读存储介质,其特征在于,所述介质上存储有程序,所述程序能够被处理器执行以实现如权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111629099.8A CN114494142A (zh) | 2021-12-28 | 2021-12-28 | 一种基于深度学习的移动终端中框缺陷检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111629099.8A CN114494142A (zh) | 2021-12-28 | 2021-12-28 | 一种基于深度学习的移动终端中框缺陷检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114494142A true CN114494142A (zh) | 2022-05-13 |
Family
ID=81496076
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111629099.8A Pending CN114494142A (zh) | 2021-12-28 | 2021-12-28 | 一种基于深度学习的移动终端中框缺陷检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114494142A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116754567A (zh) * | 2023-08-18 | 2023-09-15 | 钛玛科(北京)工业科技有限公司 | 铜箔材料的周期性缺陷检测方法、装置及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110672626A (zh) * | 2019-11-14 | 2020-01-10 | 上海感图网络科技有限公司 | 一种手机壳体中框表面颗粒缺陷的检测方法 |
US20200292462A1 (en) * | 2019-03-15 | 2020-09-17 | Inventec (Pudong) Technology Corporation | Surface defect detection system and method thereof |
CN111768363A (zh) * | 2020-05-13 | 2020-10-13 | 华南农业大学 | 基于深度学习的电路板表面缺陷检测方法及检测系统 |
CN112816418A (zh) * | 2021-04-19 | 2021-05-18 | 常州微亿智造科技有限公司 | 手机金属中框缺陷成像系统和检测方法 |
CN113763355A (zh) * | 2021-09-07 | 2021-12-07 | 创新奇智(青岛)科技有限公司 | 一种缺陷检测方法、装置、电子设备及存储介质 |
-
2021
- 2021-12-28 CN CN202111629099.8A patent/CN114494142A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200292462A1 (en) * | 2019-03-15 | 2020-09-17 | Inventec (Pudong) Technology Corporation | Surface defect detection system and method thereof |
CN110672626A (zh) * | 2019-11-14 | 2020-01-10 | 上海感图网络科技有限公司 | 一种手机壳体中框表面颗粒缺陷的检测方法 |
CN111768363A (zh) * | 2020-05-13 | 2020-10-13 | 华南农业大学 | 基于深度学习的电路板表面缺陷检测方法及检测系统 |
CN112816418A (zh) * | 2021-04-19 | 2021-05-18 | 常州微亿智造科技有限公司 | 手机金属中框缺陷成像系统和检测方法 |
CN113763355A (zh) * | 2021-09-07 | 2021-12-07 | 创新奇智(青岛)科技有限公司 | 一种缺陷检测方法、装置、电子设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116754567A (zh) * | 2023-08-18 | 2023-09-15 | 钛玛科(北京)工业科技有限公司 | 铜箔材料的周期性缺陷检测方法、装置及设备 |
CN116754567B (zh) * | 2023-08-18 | 2023-11-10 | 钛玛科(北京)工业科技有限公司 | 铜箔材料的周期性缺陷检测方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112949564B (zh) | 一种基于深度学习的指针式仪表自动读数方法 | |
CN108562589B (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
CN106875381B (zh) | 一种基于深度学习的手机外壳缺陷检测方法 | |
CN113592845A (zh) | 一种电池涂布的缺陷检测方法及装置、存储介质 | |
CN110672617A (zh) | 基于机器视觉的智能手机玻璃盖板丝印区缺陷检测方法 | |
CN109409355B (zh) | 一种新型变压器铭牌识别的方法及装置 | |
CN104597057B (zh) | 一种基于机器视觉的柱状二极管表面缺陷检测装置 | |
CN107977639B (zh) | 一种人脸清晰度判断方法 | |
CN109598681B (zh) | 一种对称唐卡修复后图像的无参考质量评价方法 | |
CN109146832B (zh) | 一种视频图像的拼接方法、装置、终端设备及存储介质 | |
CN108509950B (zh) | 基于概率特征加权融合的铁路接触网支柱号牌检测识别法 | |
CN113706490B (zh) | 一种晶片缺陷检测方法 | |
TW202011267A (zh) | 用於對車輛損傷影像進行損傷分割的方法及裝置 | |
CN110751619A (zh) | 一种绝缘子缺陷检测方法 | |
CN110689003A (zh) | 低照度成像车牌识别方法、系统、计算机设备及存储介质 | |
CN115082776A (zh) | 一种基于图像识别的电能表自动检测系统及方法 | |
CN113435452A (zh) | 一种基于改进ctpn算法的电气设备铭牌文本检测方法 | |
CN113537037A (zh) | 路面病害识别方法、系统、电子设备及存储介质 | |
CN113392819B (zh) | 一种批量化学术图像自动分割标注装置和方法 | |
CN114494142A (zh) | 一种基于深度学习的移动终端中框缺陷检测方法及装置 | |
WO2022121021A1 (zh) | 一种身份证号码检测方法、装置、可读存储介质和终端 | |
CN114004858A (zh) | 基于机器视觉识别航空线缆表面编码的方法及装置 | |
CN113642570A (zh) | 一种昏暗环境下矿车车牌识别的方法 | |
CN111738264A (zh) | 一种机房设备显示面板数据的智能采集方法 | |
CN114926635B (zh) | 与深度学习方法相结合的多焦图像中目标分割方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |